인공지능을 기반으로 한 극소저체중출생아의 동맥관 개존증 치료 여부를 결정하는 위험인자 분석: 전국 코호트 연구

Abstract

목적: 동맥관은 태아 시기에 정상적으로 존재하는 구조물로, 지속적으로 동맥관이 남아있는 경우를 동맥관 개존증(patent ductus arteriosus, PDA)이라 일컫는다. 대부분의 미숙아들은 PDA를 가지고 있으나 치료 시기와 방법은 병원마다 다른 의료 환경에 따라 가이드라인이 다르다. 한편, 인공지능(artificial intelligence, AI)을 활용한 임상 빅데이터 분석은 최근 의학의 전분야에 있어 광범위하게 사용되고 있으며 우수한 성능을 보이고 있다. 이에 본 저자는 다양한 알고리즘의 인공지능을 활용하여, 어떠한 인자들이 치료가 필요한 PDA와 연관이 있는지 살펴보고, 통상적인 분석인 다중 로지스틱 회귀 분석(multiple logistic regression, MLR)과 비교하여 인공지능 알고리즘(algorithm by AI, AA) 중 어떤 방법이 가장 우수한 성능을 보이는지 알아보고자 한다. 또한 MLR와 AA를 접목시켜 각 인자들 간의 상호 관계에 관한 도표를 작성하여, 의료진이 실제 임상에서 직관적으로 적용할 수 있도록 한다.

방법: 본 연구는 질병관리본부 한국신생아네트워크에 등록된 2013 년 ~ 2017 년 사이 태어난 출생 체중 1,500 gm 미만의 극소저체중출생아 중 9,594 명의 데이터를 사용하였다. 대상자를 약물이나 수술 등 PDA에 대한 치료를 받은 군(PDA-Tx) 3,476 명과 어떠한 치료도 받지 않은 군(PDA-nonTx) 6,118 명으로 나누어 출생 전 인자 및 출생 후 인자를 포함하여 36 가지의 인자들로 설정하여 각 인자들과 PDA의 관련성에 대해 분석하였다. MLR을 기초로 support vector machine (SVM), k-nearest neighbors (kNN), artificial neural networks (ANN), random forest (RF), light gradient boosting machine (L-GBM)의 다섯 가지의 AA을 분석에 사용하였으며, 분석의 성능에 대한 평가는 정확도(accuracy)와 곡선 아래 영역(area under the curve, 이하 AUC)로 표현하였다. MLR의 경우 유의 확률이 0.001 보다 낮은 인자들을, AA의 경우 순열 중요도 0.005 보다 큰 인자들을 유의하다고 판단하였다.

결과: MLA과 AA에서 공통적으로 PDA의 치료를 결정하는데 가장 중요하다고 판단한 위험인자는 임신 나이로 여섯 가지 분석에서 모두 공통적으로 나타났으며, 폐표면활성제의 투여 횟수는 L-GBM을 제외한 다섯 가지 분석에서 중요하다고 나타났다. 초기 소생술 시 산소투여 및 기관삽관, 출생 체중, 성별, 5분 아프가 점수는 세 가지 분석에서, 조기패혈증과 조직학적 융모양막염, 출생 신장은 두 가지 분석에서 높은 중요도를 나타내었다. 다섯 가지의 AA을 통한 예측 정확도는 0.641∼0.682로 확인되었고, AUC는 0.712∼0.734로 확인되었다. 이는 MLR과 유사한 결과이며, 사용한 AA 중에서는 RF를 이용한 방법이 가장 우수한 결과를 보여주었다.

결론: AA은 분석이 어려운 많은 인자들을 대상으로 치료가 필요한 PDA에 대해 통상적으로 사용되어 온 분석 방법과 비교하여 비슷한 항목들을 중요한 위험인자로 손꼽았으며, 흉부 방사선 사진 혹은 심초음파와 같은 판독이 필요한 의학적 소견이 없이 위험인자만을 토대로 PDA의 치료 여부를 예측하는데 있어 비교적 높은 정확도와 우수한 성능을 보여준다. 본 연구를 시작으로 인공지능을 통해 혈역학적으로 의미 있는 PDA를 선별하고, 나아가 가장 좋은 예후를 이끌어 내는 적절한 치료 방침과 시기를 결정하는 후속 연구를 진행하도록 하겠다.; Background: Ductus arteriosus is a structure that normally exists during the fetal period and when ductus arteriosus remains after birth, they are called patent ductus arteriosus (PDA). Most preterm infants have PDA, but the standardized management policies are unclear, leading to the subjective or biased decisions made by each hospital’s medical staff. Meanwhile, clinical big data analysis using artificial intelligence (AI) has been widely used in the field of medicine and has excellent performance. In response, the author aim at investigating various key risk factors that are possibly associated with PDA require treatment. And we would want to find out which algorithm by AI (AA) shows the best performance compared to multiple logistic regression (MLR), the conventional statistic analysis. Ultimately, by incorporating the MLR and AA to create a new diagram of the relationship between each factor so that the medical staff can intuitively apply it in the actual clinical practice.

Method: We have used data of 10,390 very low birth weight infants registered in the Korean Neonatal Network, a national multicenter neonatal network based on a prospective web-based registry. They were divided into those who received PDA treatment, such as medication or surgery, and those who did not receive any management for PDA. Total 36 risk factors, including prenatal and perinatal factors, were set up to analyze the relationship of each factor and PDA. Based on the MLR, the five AA of support vector machine (SVM), k-nearest neighbors (kNN), artificial neural networks (ANN ), random forest (RF), light gradient boosting machine (L-GBM) were used in the analysis, and the performance of the analysis was expressed in accuracy and area under the curve (AUC).

Results: In common with MLA and AA, the most important factor in determining the treatment of PDA was gestational age, which was common in all six analyses, and the number of surfactant was administered was important in five analyses except L-GBM. The prediction accuracy ranges from 0.641 to 0.682. and the AUC ranges from 0.712 to 0.734. RF showed the best performance in predicting PDA treatment.

Conclusions: AA has cited similar factors as an important risk compared to the conventional analysis for PDA that requires treatment, and has shown relatively high accuracy and excellent performance in predicting whether the treatment of PDA based solely on risk factors. This fundamental AI-based study is the first step to help determine the optimal treatment modality for PDA in the future.